یکی در مقابل همه راهی برای اهرم طبقه بندی باینری ارائه می دهد. با توجه به یک مسئله طبقهبندی با N راهحل ممکن، یک راهحل یک در مقابل همه از N طبقهبندیکننده باینری مجزا تشکیل شده است - یک طبقهبندی باینری برای هر نتیجه ممکن. در طول آموزش، مدل از طریق دنبالهای از طبقهبندیکنندههای باینری اجرا میشود و هر کدام را برای پاسخ به یک سؤال طبقهبندی جداگانه آموزش میدهد. به عنوان مثال، با توجه به تصویری از یک سگ، پنج تشخیص دهنده مختلف ممکن است آموزش ببینند، چهار نفر تصویر را به عنوان مثال منفی (نه سیب، نه خرس و غیره) و یک نفر تصویر را به عنوان یک مثال مثبت (سگ) ببینند. به این معنا که:
- آیا این تصویر یک سیب است؟ خیر
- آیا این تصویر خرس است؟ خیر
- آیا این تصویر شیرینی است؟ خیر
- آیا این تصویر یک سگ است؟ آره.
- آیا این تصویر یک تخم مرغ است؟ خیر
این رویکرد زمانی که تعداد کل کلاس ها کم باشد نسبتا معقول است، اما با افزایش تعداد کلاس ها ناکارآمدتر می شود.
ما میتوانیم یک مدل یک در مقابل همه کارآمدتر با یک شبکه عصبی عمیق ایجاد کنیم که در آن هر گره خروجی یک کلاس متفاوت را نشان میدهد. شکل زیر این رویکرد را پیشنهاد می کند:
شکل 1. یک شبکه عصبی یک در مقابل همه.